换一批摘要针对用于粮食加工的抛光机在实际运行环境中信号复杂且具有非平稳性等问题,本研究提出了一种基于深度时序特征融合网络(DSTFN-VMDNR)的故障诊断方法.首先,利用变分模态分解(VMD)对原始信号进行降噪,从中提取出多个平稳的模态分量.其次,通过时序网络(TimesNet)结合双向长短期记忆网络(BiLSTM)提取深层多尺度特征.随后,引入卷积残差块进一步增强特征提取的能力.最后,采用全局平均池化(GAP)层对提取的特征进行汇聚,以减少参数数量并提升模型的泛化能力.在美国凯斯西储大学和中国江南大学的两个数据集上进行验证,模型的准确率分别为 99.75%和 96.87%.结果表明,该方法在抛光机轴承故障诊断方面具有显著优势.
更多相关知识
关键词
变分模态分解平稳模态分量轴承故障诊断时序网络双向长短期记忆网络variational modal decompositionstationary modal componentsbearing fault diagnosisTimesNetBi-directional Long Short-Term Memory networks
栏目名称
DOI
10.16210/j.cnki.1007-7561.2025.05.016
发布时间
2025-10-24（万方平台首次上网日期，不代表论文的发表时间）
- 浏览2
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
